機(jī)器學(xué)習(xí)是指使用自動(dòng)化訓(xùn)練技術(shù)來發(fā)現(xiàn)更好的算法。從技術(shù)上講，機(jī)器學(xué)習(xí)屬于人工智能眾多技術(shù)的一種。深度學(xué)習(xí)技術(shù)采用人工神經(jīng)網(wǎng)絡(luò)（ANN），而機(jī)器學(xué)習(xí)技術(shù)常用來訓(xùn)練各種深度學(xué)習(xí)算法。
無監(jiān)督學(xué)習(xí)模型：不經(jīng)過人工干預(yù)，完全靠機(jī)器自動(dòng)化根據(jù)之前從未標(biāo)記的數(shù)據(jù)來學(xué)習(xí)模型。
半監(jiān)督學(xué)習(xí)模型：指學(xué)習(xí)數(shù)據(jù)中具有已標(biāo)記數(shù)據(jù)和未標(biāo)記技術(shù)數(shù)據(jù)，我們既要通過已標(biāo)記數(shù)據(jù)的監(jiān)督信息，又要通過未標(biāo)記數(shù)據(jù)的信息來訓(xùn)練模型。
監(jiān)督學(xué)習(xí)模型：指使用預(yù)先標(biāo)記好的數(shù)據(jù)來訓(xùn)練模型。
強(qiáng)化學(xué)習(xí)模型：強(qiáng)化學(xué)習(xí)又稱為評(píng)價(jià)學(xué)習(xí)，是指使用的算法可以根據(jù)與環(huán)境進(jìn)行交互來獲得獎(jiǎng)勵(lì)信號(hào)并調(diào)整模型。
在對(duì)機(jī)器學(xué)習(xí)類型的選擇前，我們會(huì)根據(jù)實(shí)際的應(yīng)用情況對(duì)機(jī)器學(xué)習(xí)類型的性能、準(zhǔn)確性、可靠性等方面進(jìn)行考慮。當(dāng)我們根據(jù)數(shù)據(jù)的來源考慮分析算法的不同優(yōu)點(diǎn)和缺點(diǎn)時(shí)，從而可以讓我們選擇更合適的機(jī)器學(xué)習(xí)算法，這樣可以獲得更好的輸出結(jié)果。機(jī)器學(xué)習(xí)從業(yè)者可能會(huì)結(jié)合多種機(jī)器學(xué)習(xí)類型和這些類型中的各種算法來實(shí)現(xiàn)最佳結(jié)果。無監(jiān)督技術(shù)適合用來來分析數(shù)據(jù)集，以實(shí)現(xiàn)對(duì)數(shù)據(jù)集中數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)關(guān)系的基本了解。新機(jī)器學(xué)習(xí)模型的性能取決于供給數(shù)據(jù)的性質(zhì)、具體問題以及解決問題所需的條件。
監(jiān)督學(xué)習(xí)模型使用已標(biāo)記的數(shù)據(jù)，機(jī)器學(xué)習(xí)可以自行學(xué)習(xí)已標(biāo)記數(shù)據(jù)的特性。監(jiān)督學(xué)習(xí)模型的缺點(diǎn)是需要給數(shù)據(jù)完成標(biāo)記，標(biāo)記數(shù)據(jù)這件事需要花費(fèi)大量人力、物力。在某些情況下，這些標(biāo)記可以作為自動(dòng)化過程的一部分自動(dòng)生成。常見的監(jiān)督學(xué)習(xí)算法有分類和回歸算法。
分類算法決定數(shù)據(jù)中表示的實(shí)體、對(duì)象或事件數(shù)據(jù)的類別。常用的分類算法包括決策樹、邏輯回歸、隨機(jī)森林和支持向量機(jī)(Support Vector Machine,SVM)。
回歸算法識(shí)別數(shù)據(jù)集中表示的多個(gè)變量之間的關(guān)系。常見的回歸算法包括線性回歸、多元回歸、決策樹、最小絕對(duì)收縮和套索回歸。
無監(jiān)督學(xué)習(xí)模型根據(jù)無標(biāo)識(shí)的數(shù)據(jù)自動(dòng)識(shí)別數(shù)據(jù)內(nèi)部的結(jié)構(gòu)。通過無監(jiān)督學(xué)習(xí)模型，我們可以快速把數(shù)據(jù)進(jìn)行分類。聚類和降維是兩種常見的無監(jiān)督學(xué)習(xí)算法類型。
聚類算法根據(jù)各種標(biāo)準(zhǔn)將相似的數(shù)據(jù)分組在一起。我們可以將數(shù)據(jù)分成不同的組，最終通過組內(nèi)分析來識(shí)別每個(gè)組內(nèi)的特定的模式。
降維算法（Principal Component Analysis,PCA）指通過降維算法把高維數(shù)據(jù)映射到維數(shù)較低的數(shù)據(jù)空間中，有利于數(shù)據(jù)的后續(xù)處理，能夠有效降低隨機(jī)變量數(shù)量。
半監(jiān)督學(xué)習(xí)模型是在無監(jiān)督學(xué)習(xí)算法中添加小部分帶標(biāo)識(shí)的數(shù)據(jù)一起訓(xùn)練學(xué)習(xí)的過程。
強(qiáng)化學(xué)習(xí)模型通常用于在模型部署后根據(jù)與環(huán)境交互來不斷改進(jìn)學(xué)習(xí)模型。
圖像處理
風(fēng)險(xiǎn)預(yù)測(cè)
交通及物流管理
自然語言處理
今天的分享就到這里啦，EBYTE每一天都致力于更好的助力物聯(lián)化、智能化、自動(dòng)化的發(fā)展，提升資源利用率，更多產(chǎn)品更多資料，感興趣的小伙伴可以登錄我們的億佰特官網(wǎng)和企業(yè)公眾號(hào)（微信號(hào)：cdebyte）進(jìn)行了解，也可以直接撥打400電話咨詢技術(shù)專員！
